码迷,mamicode.com
首页 > 其他好文 > 详细

一个贯穿图像处理与数据挖掘的永恒问题

时间:2017-06-23 18:26:04      阅读:233      评论:0      收藏:0      [点我收藏+]

标签:可见   产生   过渡   不能   应该   bsp   转变   ota   center   

〇、序言


创新对于学术研究或产业应用都具有不言而喻的重要作用。如今国家也提出了要建立创新型国家的发展战略。假设回到我们所探讨的图像处理或数据挖掘研究,细细品读当中的某些点滴。你能否窥探出些许启迪?首先,创新能够分成两种,一种是原始创新,第二种就是所谓的二次创新。假设一个东西过去全然不存在。你鬼使神差的就想出来,那就是原始创新。比方图灵当初石破天惊地构想出图灵机模型就是原始创新。到如今也没有不论什么迹象表明,他受到了什么事或什么人的启示。事实上。如今人们(包括我学习图灵机的时候)也非常吃惊。图灵是怎样提出这样的前无古人的奇思妙想的!


二次创新也有非常多种形式。比方逆向创新。

据说人们在发明吸尘器之前最先发明的是吹尘器。一吸一吹,看似简单的一个颠倒,结果却如此奇妙。

如今同学们学习模式匹配算法时,必定是言必称KMP算法。的确,就原有的思路来说,KMP算法已经是做到极致了。

但假设你还想有所突破呢?那就得首先打破旧有的条条框框。所以Boyer和Moore逆其道而行之。便提出了BM算法。KMP是从前向后做比較。而BM则是从后向前做比較。BM算法不仅提供了效率,更重要的是,由他们所提出的新思路为发端,兴许产生了一个庞大的算法族。像BMH,BMHS等等又接踵而至。

如今实际中基于BM算法的改进算法(相比于KMP)应用得事实上更为广泛!


可是今天要谈的还不是逆序创新的话题。

我们要谈的是二次创新中第二种方法。暂且称之为“推衍创新”。这个思路在现代计算机科学中可谓随处可见,假设你还没有抓住他的名门,那么说明就研究工作来说。你还没入门。

举一个简单的样例作为序言的结尾。最初。“伟哥”是作为治疗心绞痛的药物而研发的。可是,后来在临床试验中发现对治疗男性勃起功能障碍更加有效。所以如今它主要被应用于这方面的疾病。

所以我们所说的推衍的大概意思就是。把一个领域的成果平行地转移到另外一个领域。说不定就能发挥起效。希望本文在这方面能够给大家一些启示。


一、平均值与中位数:一对死缠烂打的概念


平均数是统计学中用来衡量整体水平的一个统计量。可是,显然它并不“完美”。举个样例,如今房间里有6个人,他们的財富不尽相同。但又相差无几,这时我们能够说他们的平均身价是100万元。这个平均数基本上是有意义的,由于在假设前提下,我们知道他们6个人的財富或多或少都在100万元上下。如今马云突然来了。然后房间里变成7个人了。相同的问题,房间里全部的人平均身价可能已经突破100亿。可是这个平均数就没有什么意义了。

如今房间里没有谁的身价在100亿上下。

这时就引出了中位数的概念

把一组数从小到大排列,取中间位置的那个数来作为衡量该组整体水平的一个统计量。假设取包括马云在内的7个人之財富的中位数,我们知道应该还是100万左右。那么它显然是有意义的,它至少代表了这个整体中绝大多少人的情况。


你看出中位数的意义和作用了吗?如今当数据点分布比較均匀的时候。平均值是有意义的。可是一旦数据中存在异常值时,平均数就有可能失灵,这时就要用中位数来排除掉异常值的影响。

可是平均数仍然有存在的价值,(仅仅是某些时候我们要对其进行修正)。比如体育比赛时的打分机制。一般是“去掉一个最高分,去掉一个最低分,然后去平均值”。

显然在体育比赛打分中,用中位数就不合适。所以我们说平均数和中位数就是一对死缠烂打的狐朋狗友!后面的内容会讨论这对概念在图像处理和数据挖掘中的重要应用。这涉及到简单平滑、中值滤波、K-means算法、k-Median算法等。

你应该注意体会前面谈到的推衍创新思维。这能非常好地帮助你举一反三。


二、简单平滑与中值滤波:同一时候联系到LeetCode上一道Hard级别的题目


现实中图像由于受到环境的影响,非常easy被噪声所污染。

例如以下图中的左上所看到的。这是一幅被椒盐噪声污染的图像。

噪声体现为原本过渡平滑的(自然图像)区域中一个突兀的像素值。处理它最简单的策略是用一个低通滤波器对信号进行过滤。比方能够採用简单平滑算法。说白了,就是针对某个像素点。在其领域的一个小窗体内(比如3×3),对全部像素值取平均。然后用这个平均值来取代窗体中心位置的像素值。这样就能缩小噪声和非噪声像素之间的差距。也就是让原本高的值变低一点,而让原本低的值变高一点。

结果如左下图所看到的。

易见。简单平滑有一定效果,可是并不“完美”。举个样例,如今有一杯碱性溶液(PH>7),我们不断向当中增加纯水来稀释。结果PH值会越来越小。可是不管我们放多少水,这个值也不可能小于7。就算用尽全世界的水,它的整体仍然呈现碱性!

技术分享

有没有更好的办法?假设你还没有想到用中位数来替代均值。那么我觉得你的头脑应该不用再继续读下去了!既然(椒盐)噪声是一个异常值,那么显然用中位数的方法来将其排掉是最好的选择了,这就是所谓的“中值”滤波的基本思想。

上图右下就是採用中值滤波算法处理的图像。显然比简单平滑效果好。


可是,问题还没完。你有没有想过中值滤波相对于简单平滑的一个不足或者劣势?是的。中值滤波的复杂度太高。计算起来那是相当的耗时。为什么我会想到这个话题。由于近期我在更新我的MagicHouse(一款小型的图像处理软件http://blog.csdn.net/baimafujinji/article/details/50500757)。

原来中值滤波算法是由我的刘师弟完毕的。

他以前是腾讯电脑管家研发的最初核心成员。如今已经自主创业变成刘总了~我也顺便遥祝他宏图大展:)。

刘同学写的中值滤波没有採用进行不论什么优化措施(当然这也是为了算法演示之用,假设优化了别人比較难把握原始算法的核心思想),每次运行起来都跟感觉死机了一样。于是近期我决定重写这个算法


有兴趣的读者最好还是搜一下关于中值滤波的加速算法,结论是这方面的paper非常多。但我不得不告诉你大部分事实上没啥创新。非常多都是在串行转并行上下功夫,我真不觉得这有啥意义。由于它们的基础仍然是以下我要谈的两个算法。


首先来看Leetcode上一道评级为Hard级别的题目。例如以下。两个有序数组,求它们合并后的中位数。这当然没啥难的。你可能会想到合并后用一个quicksort()。然后取中间位置。结果上当然能够得到正确答案。可是一定要注意:题目要求算法时间复杂度是O(log(t)),t是合并后数组的长度。可是,quicksort()的复杂度应该是O(t·log(t))。显然这样做行不通。满足时间复杂度要求才是本题的难点!

技术分享


有没有什么好方法?题目给出的提示是要用“分治法”策略。并且你应该能想到是,我们要取中位数的两个子数组本来就是有序的。这个条件必须要好好利用。

所以。本题的策略应该是:


该方法的核心是将原问题转变成一个寻找第k小数的问题(假设两个原序列升序排列)。这样中位数实际上是第(m+n)/2小的数。所以仅仅要攻克了第k小数的问题。原问题也得以解决。



首先假设数组A和B的元素个数都大于k/2,我们比較A[k/2-1]和B[k/2-1]两个元素,这两个元素分别表示A的第k/2小的元素和B的第k/2小的元素。这两个元素比較共同拥有三种情况:>、<和=。假设A[k/2-1]<B[k/2-1]。这表示A[0]到A[k/2-1]的元素都在A和B合并之后的前k小的元素中。换句话说,A[k/2-1]不可能大于两数组合并之后的第k小值,所以我们能够将其抛弃。

反之亦然。所以当A[k/2-1]>B[k/2-1]时,我们将抛弃B[0]到B[k/2-1]的元素


当A[k/2-1]=B[k/2-1]时,则已经找到了第k小的数。也即这个相等的元素。将其记为m。由于在A和B中分别有k/2-1个元素小于m,所以m即是第k小的数。(这里可能有人会有疑问。假设k为奇数,则m不是中位数。当然这样的情况我们后面给出的代码里已有做特殊考虑。但整个算法的大体思路并无不同)

通过上面的分析。我们即能够採用递归的方式实现寻找第k小的数。

此外还须要考虑几个边界条件:

    假设A或者B为空,则直接返回B[k-1]或者A[k-1];
    假设k为1。我们仅仅须要返回A[0]和B[0]中的较小值;
    假设A[k/2-1]=B[k/2-1],返回当中一个;

终于实现的代码为:


double findKth(vector<int>& nums1, int size1, vector<int>::iterator it1, 
			   vector<int>& nums2, int size2, vector<int>::iterator it2, int k)  
{  
    //Always assume that size1 is equal or smaller than size2  
    if (size1 > size2)  
        return findKth(nums2, size2, it2, nums1, size1, it1, k);  
    if (size1 == 0)  return *(it2+k-1); 
 
    if (k == 1)  return min(*it1, *it2);  
        
    //Divide k into two parts  
    int offset1 = min(k / 2, size1);
	int offset2 = k - offset1;  
 
    if (*(it1+offset1-1) <= *(it2+offset2-1))
    {
        return findKth(nums1, size1 - offset1 , it1+offset1, nums2, offset2, it2, k - offset1);  
    }
    else
	{
    	return findKth(nums1, offset1, it1, nums2, size2 - offset2, it2+offset2, k - offset2); 
	}
}    
    

double findMedianSortedArrays(vector<int>& nums1, vector<int>& nums2) {
        
	int m = nums1.size();      
	int n = nums2.size();  
    int total = m + n; 
        
    double result = findKth(nums1, m, nums1.begin(), nums2, n, nums2.begin(), (total + 1) / 2);
	if ((total & 1) == 0)  //Odd
	{
		result = (result + 	findKth( nums1, m, nums1.begin(), nums2, n, nums2.begin(), total / 2 + 1)) / 2;
	}
	return  result;
}

通过对上述LeetCode题目的讨论,事实上已经能够给出我们一些优化的想法了。来看以下这个图,当我们最初计算红色像素的邻域中值时。事实上已经得到了红框中像素值的一个有序排列。然后在计算绿色像素的邻域中值时,我们把滑块向后移动。这时为了避免反复计算,一定要充分利用之前的有序结果。剔除最左面三个像素后的红框中的6个像素仍然有序,这时仅仅要把新增加的绿框中的三个元素也做排序,然后得到两个有序的序列,是不是就变成了上我们讨论的问题了?并且,这个算法面对更大的滑动窗体时。优势会更为明显。


技术分享

可是,假设我们仅仅想计算3×3邻域内的中值,事实上还有另外一个选择。比如以下的邻域

0   1   2

3   4   5

6   7   8

首先对窗体内的每一列分别计算最大值,中值和最小值。这样就得到了3组数据

  • 最大值组:Max0 = max[P0,P3,P6]。Max1 = max[P1,P4,P7],Max2 = max[P2,P5。P8]
  • 中值组: Med0 = med[P0,P3,P6],Med1 = med[P1,P4。P7]。 Med2 = med[P2,P5,P8]
  • 最小值组:Min0 = Min[P0,P3,P6]。Min1 = Min[P1,P4,P7]。Min2 = max[P2。P5。P8]


由此能够看到。最大值组中的最大值与最小值组中的最小值一定是9个元素中的最大值和最小值。不可能为中值,剩下7个;中值组中的最大值至少大于5个像素,中值组中的最小值至少小于5个像素,不可能为中值,剩下5个;最大值组中的中值至少大于5个元素,最小值组中的中值至少小于5个元素,不可能为中值,最后剩下3个要比較的元素。即
最大值组中的最小值Maxmin。中值组中的中值Medmed,最小值组中的最大值MinMax;找出这三个值中的中值为9个元素的中值。


採用上述方法。也会大大减少计算量。

可见设计一个好算法永远是那么的重要!


三、数据挖掘中的K-means和K-median


聚类是将类似对象归到同一个簇中的方法。这有点像全自己主动分类。簇内的对象越类似。聚类的效果越好。支持向量机、神经网络所讨论的分类问题都是有监督的学习方式,如今我们所介绍的聚类则是无监督的。

当中,K均值(K-means)是最基本、最简单的聚类算法。

在K均值算法中,质心是定义聚类原型(也就是机器学习获得的结果)的核心。在介绍算法实施的具体过程中,我们将演示质心的计算方法。并且你将看到除了第一次的质心是被指定的以外,此后的质心都是经由计算均值而获得的。


首先。选择K个初始质心(这K个质心并不要求来自于样本数据集)。当中K是用户指定的參数,也就是所期望的簇的个数。每一个数据点都被收归到距其近期之质心的分类中。而同一个质心所收归的点集为一个簇。然后。依据本次分类的结果。更新每一个簇的质心。反复上述数据点分类与质心变更步骤,直到簇内数据点不再改变。或者等价地说,直到质心不再改变。


主要的K均值算法描写叙述例如以下:

技术分享

依据数据点到新质心的距离,再次对数据集中的数据进行分类,如图13-2(c)所看到的。然后,算法依据新的分类来计算新的质心。并再次依据数据点到新质心的距离,对数据集中的数据进行分类。

结果发现簇内数据点不再改变。所以算法运行结束,终于的聚类结果如图13-2(d)所看到的。

对于距离函数和质心类型的某些组合。算法总是收敛到一个解,即K均值到达一种状态。聚类结果和质心都不再改变。

但为了避免过度迭代所导致的时间消耗,实践中,也经常使用一个较弱的条件替换掉“质心不再发生变化”这个条件。

比如。使用“直到仅有1%的点改变簇”。

技术分享


虽然K均值聚类比較简单,但它也的确相当有效。

它的某些变种甚至更有效, 并且不太受初始化问题的影响。但K均值并不适合全部的数据类型。

它不能处理非球形簇、不同尺寸和不同密度的簇,虽然指定足够大的簇个数时它通常能够发现纯子簇。对包括离群点的数据进行聚类时,K均值也有问题。

在这样的情况下,离群点检測和删除大有帮助。K均值的还有一个问题是,它对初值的选择是敏感的,这说明不同初值的选择所导致的迭代次数可能相差非常大。此外,K值的选择也是一个问题。

显然,算法本身并不能自适应地判定数据集应该被划分成几个簇。最后,K均值仅限于具有质心(均值)概念的数据。一种相关的K中心点聚类技术没有这样的限制。

在K中心点聚类中,我们每次选择的不再是均值,而是中位数。这样的算法实现的其它细节与K均值相差不大,我们不再赘述。


最后我们给出一个实际应用的样例。(代码採用我最喜欢用做数据挖掘的R语言来实现


一组来自世界银行的数据统计了30个国家的两项指标,我们用例如以下代码读入文件并显示当中最開始的几行数据。可见,数据共分散列,当中第一列是国家的名字,该项与后面的聚类分析无关。我们更关心后面两列信息。第二列给出的该国第三产业增加值占GDP的比重,最后一列给出的是人口结构中年龄大于等于65岁的人口(也就是老龄人口)占总人口的比重。


技术分享


为了方便兴许处理,以下对读入的数据库进行一些必要的预处理,主要是调整列标签,以及用国名替换掉行标签(同一时候删除包括国名的列)。

技术分享

假设你绘制这些数据的散点图,不难发现这些数据大致能够分为两组。事实上,数据中有一半的国家是OECD成员国,而另外一半则属于发展中国家(包括一些东盟国家、南亚国家和拉美国家)。所以我们能够採用以下的代码来进行K均值聚类分析。


技术分享


对于聚类结果,限于篇幅我们仍然仅仅列出了最開始的几条。可是假设用图形来显示的话,可能更易于接受。

以下是演示样例代码。


技术分享

上述代码的运行结果如图13-3所看到的。


技术分享

如今假设我问能不能提出第二种与k-means类似的算法,你会想到什么?假设你能从k-均值算法想到提出k-中值算法,那么你算是没白读这篇文章!触类旁通,举一反三这招你算真学会了。(我想我已经无需再具体介绍k-中值算法的细节了,基本上和k-means一样,仅仅是把全部均值出现的地方换成中值而已)这个思想看起好像非常不起眼,可是你还别说。k-median算法还真的存在,并且是k-means算法的一个重要补充和改进。

你可能会说提出k-median算法的人绝对是捡了一个大廉价,这么轻轻松松地就提出了一个足以留名的算法。但事实上我想说,真正想到这一点的人。功力也绝对不可小觑。冰冻三尺、非一日之寒。唯有基础扎实。内力深厚的大家才干拥有这般敏锐的创新嗅觉。


-------------------------------------------------------------------------------------------------------------------------------------------------------

又到了广告时间了,假设你对算法感兴趣,欢迎关注我的新书《算法之美》,或者关注本博客。

技术分享

详情请參见 http://blog.csdn.net/baimafujinji/article/details/50484348

一个贯穿图像处理与数据挖掘的永恒问题

标签:可见   产生   过渡   不能   应该   bsp   转变   ota   center   

原文地址:http://www.cnblogs.com/zhchoutai/p/7071044.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!